Все ответы предоставляют аспекты того, что вы хотите сделать, но пока что не сводит все это вместе. Давайте рассмотрим пример ответа Тома Липтрота:
fit <- lm(speed ~ dist + I(dist^2), cars)
Это дает нам подобранную линейную модель с квадратичной переменной dist. Мы извлекаем коэффициенты модели с помощью функции экстрактора coef():
> coef(fit)
(Intercept) dist I(dist^2)
5.143960960 0.327454437 -0.001528367
Итак, ваше уравнение (при условии округления из-за печати):
\ hat {speed} = 5.143960960 + (0.327454437 * dist) + (-0.001528367 * dist ^ 2)
(где \ hat {speed} - подобранные значения ответа, скорости).
Если вы хотите применить это подогнанное уравнение к некоторым данным, то мы можем написать собственную функцию для этого:
myfun <- function(newdist, model) {
coefs <- coef(model)
res <- coefs[1] + (coefs[2] * newdist) + (coefs[3] * newdist^2)
return(res)
}
Мы можем применить эту функцию следующим образом:
> myfun(c(21,3,4,5,78,34,23,54), fit)
[1] 11.346494 6.112569 6.429325 6.743024 21.386822 14.510619 11.866907
[8] 18.369782
для некоторых новых значений расстояния (dist). Это то, что вы хотите сделать из Q. Однако в R мы обычно не делаем такие вещи, потому что, почему пользователь должен это делать? знаете, как сформировать подогнанные или прогнозируемые значения из всех типов моделей, которые можно подогнать в R?
В R мы используем стандартные методы и функции экстрактора. В этом случае, если вы хотите применить «уравнение», отображаемое в Excel, ко всем вашим данным, чтобы получить подогнанные значения этой регрессии, в R мы будем использовать функцию fitted():
> fitted(fit)
1 2 3 4 5 6 7 8
5.792756 8.265669 6.429325 11.608229 9.991970 8.265669 10.542950 12.624600
9 10 11 12 13 14 15 16
14.510619 10.268988 13.114445 9.428763 11.081703 12.122528 13.114445 12.624600
17 18 19 20 21 22 23 24
14.510619 14.510619 16.972840 12.624600 14.951557 19.289106 21.558767 11.081703
25 26 27 28 29 30 31 32
12.624600 18.369782 14.057455 15.796751 14.057455 15.796751 17.695765 16.201008
33 34 35 36 37 38 39 40
18.688450 21.202650 21.865976 14.951557 16.972840 20.343693 14.057455 17.340416
41 42 43 44 45 46 47 48
18.038887 18.688450 19.840853 20.098387 18.369782 20.576773 22.333670 22.378377
49 50
22.430008 21.93513
Если вы хотите применить свое модельное уравнение к некоторым новым значениям данных, которые не используются для подгонки к модели, тогда нам нужно получить прогнозы из модели. Это делается с помощью функции predict(). Используя расстояния, которые я включил в myfun выше, вот как мы бы сделали это более R-ориентированным способом:
> newDists <- data.frame(dist = c(21,3,4,5,78,34,23,54))
> newDists
dist
1 21
2 3
3 4
4 5
5 78
6 34
7 23
8 54
> predict(fit, newdata = newDists)
1 2 3 4 5 6 7 8
11.346494 6.112569 6.429325 6.743024 21.386822 14.510619 11.866907 18.369782
Сначала мы создадим новый фрейм данных с компонентом с именем "dist", содержащим новые расстояния, для которых мы хотим получить прогнозы из нашей модели. Важно отметить, что мы включаем в этот фрейм данных переменную, имя которой совпадает с именем переменной, использованной при создании нашей подобранной модели. Этот новый фрейм данных должен содержать все переменные, используемые для подгонки модели, но в этом случае у нас есть только одна переменная, dist. Также обратите внимание, что нам не нужно ничего включать в dist ^ 2. R справится с этим за нас.
Затем мы используем функцию predict(), предоставляя ей нашу подогнанную модель и предоставляя новый фрейм данных, только что созданный в качестве аргумента 'newdata', предоставляя нам наши новые прогнозные значения, которые совпадают с теми, которые мы делали вручную. *
Я кое-что упустил из виду, что predict() и fitted() - это действительно целая группа функций. Существуют версии для lm() моделей, для glm() моделей и т. Д. Они известны как универсальные функции с методами (версии, если хотите) для нескольких различных типов объектов. Вы, пользователь, как правило, должны помнить только о том, чтобы использовать fitted() или predict() и т. Д., В то время как R позаботится об использовании правильного метода для типа подходящей модели, которую вы предоставляете. Вот некоторые из методов, доступных в базе R для универсальной функции fitted():
> methods(fitted)
[1] fitted.default* fitted.isoreg* fitted.nls*
[4] fitted.smooth.spline*
Non-visible functions are asterisked
Возможно, вы получите больше, чем это, в зависимости от того, какие другие пакеты вы загрузили. * просто означает, что вы не можете обращаться к этим функциям напрямую, вы должны использовать fitted(), а R определяет, какие из них использовать. Обратите внимание, что нет метода для lm() объектов. Этот тип объекта не нуждается в специальном методе и, таким образом, метод default будет использоваться и подходит.